用途：该技能用于指导通过 Google Gemini API 处理音频，包括转写、摘要、内容理解，以及用文本生成自然语音。
主要能力：转写音频为带时间戳文本；总结要点；分析语音、音乐或环境声；识别多说话人；理解非语音音频（如鸟鸣、警报、音乐）；文本转语音并可控音色与风格。
使用方式：需准备 GEMINI_API_KEY，按顺序从进程环境、技能目录 .claude/skills/gemini-audio/.env、项目根目录 ./.env 自动检测。安装依赖：pip install google-genai。可编写 Python 脚本上传音频后调用 client.models.generate_content，也可用内置脚本，如 python .claude/skills/gemini-audio/scripts/transcribe.py audio.mp3、python .claude/skills/gemini-audio/scripts/analyze.py audio.mp3 "Summarize key points"、python .claude/skills/gemini-audio/scripts/generate-speech.py "Welcome to our podcast" --output welcome.wav。小于 20MB 可用内联数据，大于 20MB 建议用文件上传接口。
格式与规格：支持 WAV、MP3、AAC、FLAC、OGG Vorbis、AIFF。单次请求最长 9.5 小时，多文件合计同样上限；令牌速率 32 tokens/秒，1 分钟=1920 tokens；处理时自动降采样为 16 Kbps 单声道；内联总请求上限 20MB，文件 API 单文件 2GB、项目配额 20GB；文件 48 小时自动删除。
TTS 模型与定价：gemini-2.5-flash-native-audio-preview-09-2025 为高质快速、$10/1M tokens；gemini-2.5-pro TTS 模式为高级、较慢、$20/1M tokens。分析模型定价另有 Gemini 2.5 Flash $1.00/1M 输入、$0.10/1M 输出；Gemini 2.5 Pro $3.00/1M 输入、$12.00/1M 输出；Gemini 1.5 Flash $0.70/1M 输入、$0.175/1M 输出。
适用场景：播客、访谈、会议、语音与非语音音频分析、批量转写与摘要、语音生成。
限制：需自备 API Key；受 20MB 内联、2GB 单文件、20GB 配额与 48 小时文件过期约束；需注意速率限制与退避重试。